<div dir="ltr"><div class="gmail_default" style="color:#333399">Hello Caroline, yes ICA is said to have a big stomach so it can detect those spatial patterns! I would say the merging is ok in your case, especially if you're getting good & similar ICs across both merged datasets, with the exception of the big signal drop you've pointed out. Some notes below, best wishes.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*There's plenty of published work that uses  short periods of time (~ 2 to 5 minutes) with hdEEG and ICA to get seemingly valid results  in top-tier journals. Similarly, some researchers publish on source estimates from 16-channel EEG, whereas others would only use hdEEG. Just because something gets published does not mean the methods/findings are valid...it's just that in practice some rules are flexible or change depending on the researchers, methods, and biases therein. That being said, it's better for the field to adhere to best practices so findings can be comparable. </div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*the ideal number of samples for hdEEG is an ideal guideline, though in practice  much shorter periods can be ICAed with reasonable results. My understanding is that this approach works well for artifactual IC detection, even with low channel numbers (16 or 32) and brief periods of time (even for 64 and 128 channel data). And, if you're looking for the neural ICs - if one's data has good examples of that kind of brain activity (ie a relevant task) - then one should also be able to get valid ICs with less channels and brief time periods. In your case, I would consider also down-sampling to 64 channels and comparing resulting patterns.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*note there are few to no publications really doing comparisons on this methodological topic.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*note there are also advancements and alternatives to traditional ICA (see a range of source separation techniques used with real-time protocols such as BCI, for example).</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*artifacts from the same person, with the same cap/recording, should be quite similar, it's good that you have confirmed this. If your thesis on nap effects is correct, you should literally be able to see more relaxation in the signal at it is being recorded, more relaxation on their faces and body, and perhaps on a self-report scale.<br></div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*however, the big signal drop in the ICs between the two periods (presumably across all ICs) is worrisome. Does the straight EEG look different across the two ? Is this the same across multiple participants ? </div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*something may have changed in signal quality or artifacts between the two recordings you're trying to join. Try a control case with rest but nothing that could change the signal. Try also checking impedances across the two recordings, and at different times between the two recordings. If you were using a egi hydrocel, check whether the electrodes or nets were significantly moved, rewet, or adjusted during that time.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*another check may be to record continuously across all tasks and all naps, and see if similar changes occur in the signal.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*you may be safer off by doing separate ICAs for the periods, and then finding matching ICs across them. See if the problems remain when you do it this way.</div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399">*generally, recordings that are done in different sessions (with a new putting on of the EEG cap/net) are better off with separate ICAs- per session/subject. </div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399"><br></div><div class="gmail_default" style="color:#333399"><br></div></div><div class="gmail_extra"><br><div class="gmail_quote">On Wed, Nov 30, 2016 at 2:06 PM, Caroline Lustenberger <span dir="ltr"><<a href="mailto:lustenberger.caroline@gmail.com" target="_blank">lustenberger.caroline@gmail.com</a>></span> wrote:<br><blockquote class="gmail_quote" style="margin:0 0 0 .8ex;border-left:1px #ccc solid;padding-left:1ex"><div lang="EN-GB" link="blue" vlink="purple"><div class="m_4590848635062481664WordSection1"><p class="MsoNormal">Dear EEGLAB Team<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal">There is always the discussion about how many samples are needed for a good ICA and based on the tutorial pages from your lab it seems to be quite many. People that use high density EEG with 128 electrodes would likely need ~1000000 data points, which means more than 1 hour of EEG recording (considering we do downsample to 250 Hz). I doubt that all of us have recordings that are that long. At least I often have tasks that last for ~ 10-20min. One idea that I thought of is to merge datasets of a person if she/he had multiple sessions on the same day with the same task (that is having the same net application). I would like to hear your opinion about this idea, whether you also do this approach and what I should consider when merging files.<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal">Here is a specific example: I tried this approach for a visual memory task during which my participants were seeing and rating pictures before a nap and after a nap. I merged the two datasets and after preprocessing (filter, clean_rawdata, interpolation, average referencing) I performed an ICA (tried both AMICA and RUNICA, results are very similar). The components seemed to be captured fine, however I clearly saw that many of the signals (e.g. muscle, but also physiological brain components) changed in activation after the transition of the merged files. More specific, the components were capturing the same type of activity (e.g. muscle,  eye blinks or alpha) but the amplitudes of the component clearly changed between the first and second data set. That is for instance one muscle component had strong activation in one dataset and was very low amplitude in the second part of the data. People are likely more relaxed after sleep, are maybe more focussed and I was wondering whether merging of datasets is not ideal because conditions are slightly different and I even expect that oscillatory activity relative to the stimuli will slightly differ before and after sleep for the same task. What is your impression? Would you rather process the files separately or merge them together to one?<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p><p class="MsoNormal">Thanks for your valuable input and best wishes,<u></u><u></u></p><p class="MsoNormal">Caroline<u></u><u></u></p><p class="MsoNormal"><u></u> <u></u></p></div></div><br>______________________________<wbr>_________________<br>
Eeglablist page: <a href="http://sccn.ucsd.edu/eeglab/eeglabmail.html" rel="noreferrer" target="_blank">http://sccn.ucsd.edu/eeglab/<wbr>eeglabmail.html</a><br>
To unsubscribe, send an empty email to <a href="mailto:eeglablist-unsubscribe@sccn.ucsd.edu">eeglablist-unsubscribe@sccn.<wbr>ucsd.edu</a><br>
For digest mode, send an email with the subject "set digest mime" to <a href="mailto:eeglablist-request@sccn.ucsd.edu">eeglablist-request@sccn.ucsd.<wbr>edu</a><br></blockquote></div><br></div>